CN111459697A - 一种基于深度学习网络的励磁***故障监测方法 - Google Patents
一种基于深度学习网络的励磁***故障监测方法 Download PDFInfo
- Publication number
- CN111459697A CN111459697A CN202010228034.1A CN202010228034A CN111459697A CN 111459697 A CN111459697 A CN 111459697A CN 202010228034 A CN202010228034 A CN 202010228034A CN 111459697 A CN111459697 A CN 111459697A
- Authority
- CN
- China
- Prior art keywords
- excitation system
- network
- fault
- excitation
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005284 excitation Effects 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000011478 gradient descent method Methods 0.000 claims abstract description 5
- 238000005070 sampling Methods 0.000 claims description 19
- 238000011176 pooling Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000003745 diagnosis Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习网络的励磁***故障监测方法，包括通过对励磁***运行过程中的有功、无功功率，励磁电压、电流历史数据进行采集，经标准化处理后构成卷积神经网络训练集和测试集，将训练集数据输入搭建的卷积神经网络，通过随机梯度下降法计算网络的损失函数最小值，更新网络的权重，再通过测试集对卷积神经网络进行测试，直到达到要求的准确率，最终得到基于深度学习网络的励磁***故障监测网络在线监测发电厂励磁***是否安稳运行。本发明根据励磁***运行过程中的多源历史数据，搭建深度学习卷积神经网络对发电厂励磁***进行监测，方法简单，结果准确可靠，为发电厂励磁***运行维护、在线监测提供了数据支持与理论依据。
Description
技术领域
本发明属于励磁***故障诊断技术领域，尤其涉及一种基于深度学习网络的励磁***故障监测方法。
背景技术
励磁***是同步发电机的重要组成部分,良好的励磁***可以有效地提高电力***及发电机稳定极限水平和运行技术经济指标。励磁***在维持发电机端电压、合理分配无功功率、保障电力设备安全运行和提高电力稳定性四个方面都有着重要的作用。但是现有励磁***设备检测手段大都是人工提取故障特征信息(自动提取为辅)，以人工经验作指导进行故障分析、定位，存在诊断离线进行、对维修人员要求过高等致命弱点，严重影响故障诊断的实时性和准确性。因此有必要研究一种可以自动考核发电机励磁***运行状态及健康状况的方法。
发明内容
针对上述问题，本发明提供一种基于深度学习网络的励磁***故障监测方法，使用深度学习网络实现对电厂励磁***故障监测，能够准确迅速判断故障类型。
本发明采用的技术方案如下：
一种基于深度学习网络的励磁***故障监测方法，包括：
获取励磁***不同故障运行过程中的原始采样数据；
对原始采样数据进行标准化处理，构成卷积神经网络训练集和测试集；
构建卷积神经网络；
将卷积神经网络训练集输入到所构建的卷积神经网络进行网络训练；
采用卷积神经网络测试集测试所训练的卷积神经网络，直到达到要求的准确率，得到基于深度学习网络的励磁***故障监测网络；
将励磁***的实时运行数据输入到基于深度学习网络的励磁***故障监测网络中，对励磁***故障进行实时监测。
进一步的，所述获取励磁***不同故障运行过程中的原始采样数据，包括：
通过厂用电监控***对励磁***不同故障运行过程中的有功功率，无功功率，励磁电压和励磁电流历史数据进行等间隔采样，得到原始采样数据集：
其中，Si表示第i类故障的原始采样数据集，
和
分别表示励磁***第i类故障采集的第j个有功功率和无功功率，
和
分别表示励磁***第i类故障采集的第j个励磁电压和励磁电流，j＝1,2,3,…n，n表示样本大小。
进一步的，所述不同故障包括：励磁***正常运行，功率模块故障，起励模块故障，调节模块故障和灭磁模块故障。
进一步的，所述对原始采样数据进行标准化处理，包括：
其中，
为第i类故障的样本数据R的平均值和方差，样本数据R表示一组励磁***的有功功率，无功功率，励磁电压和励磁电流数据；Ri是标准化后的向量，包含n个标准化后的样本数据。
进一步的，所述构建卷积神经网络，包括：
输入层用于将标准化处理后的样本数据送入下一层运算；
卷积层用于对输入的样本数据进行卷积运算，并进行特征提取：
其中，kt表示第t个卷积核，b表示的是偏置，yt表示Ti卷积运算后的第t个特征图，s表示卷积核的个数，Mj表示故障类，f(·)为激励函数；
激励层用于引入非线性元素：
其中，x是输入量，
为均值为0，方差为σ的高斯噪声；
池化层输出计算如下：
xl＝f(down(xl-1)+b)
其中，xl-1为卷积层传输过来的数据，xl为经过池化采样后的数据，down(·)为采样函数；
全连接用于把卷积层提取的特征综合起来，送入softmax分类器，计算输入数据在不同故障类的评分值以及计算输入数据在每类故障下的概率，输出故障概率最大的故障类：
其中，softmax(si)表示第i类故障概率，si表示模型对输入数据在第i类故障上的评分值。
进一步的，所述将卷积神经网络训练集输入到所构建的卷积神经网络进行网络训练，包括：
采用随机梯度下降法计算网络损失函数最小值，更新权重；
所述网络损失函数计算如下：
其中，m为输入样本大小,Wk为第k层的正则化权重，y′表示输入数据实际对应的故障类别，xi表示网络识别出的故障类别，a表示正则化系数，L为网络中各层权重个数总和。
进一步的，还包括：建立好卷积神经网络后，生成均值为0、方差为1的随机数，将卷积神经网络参数初始化。
进一步的，所述准确率计算为：统计识别正确的样本个数，再除以总的样本个数，得到准确率。
本发明的有益效果：
(1)本发明方法使用深度学习网络实现对电厂励磁***故障监测，能够准确迅速判断故障类型，可迁移性强，适合很多工业现场实际应用。
(2)本发明方法有自动学习功能，记录***实时运行的新故障，提升了提升故障诊断模型的鲁棒性和可靠性。
(3)本发明方法直接提取数据特征从而识别励磁***故障类型，不需要丰富的先验知识。
附图说明
图1为本发明基于深度学习网络的励磁***故障监测方法流程图。
图2为本发明搭建的深度学习卷积神经网络结构图；
图3为本发明实施例中深度学习卷积神经网络损失函数训练过程示意图；
图4为本发明实施例中测试集分类结果图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明提供一种基于深度学习网络的励磁***故障监测方法，包括：
步骤1：通过发电厂ECMS对励磁***不同故障运行过程中的有功、无功功率，励磁电压、电流等历史数据进行采集；
步骤2：对采集的历史数据进行筛选，标准化等处理，构成神经网络训练集，搭建深度学习卷积神经网络并初始化参数；
步骤3：将训练集输入卷积神经网络，通过随机梯度下降法计算卷积神经网络的损失函数最小值，更新卷积神经网络权重；
步骤4：通过发电厂ECMS读取励磁***运行数据输入训练好的卷积神经网络，重复步骤3的过程，对训练好的卷积神经网络进行测试，直到达到要求的准确率；
步骤5：采用测试好的卷积神经网络在线监测发电厂励磁***是否安稳运行。
作为一种优选的实施例，本发明的一种基于深度学习网络的励磁***故障监测方法的具体实施过程，参见图1，包括：
步骤1：读取2×350MW热电厂的厂用电监控***(ECMS)中励磁***5种故障类型运行过程中的历史数据，包括有功、无功功率，励磁电压和电流，形成原始数据集。其中故障类型包括：励磁***正常运行，功率模块故障，起励模块故障，调节模块故障，灭磁模块故障。
进一步的，通过ECMS***对励磁***各源信号等间隔的采样形成原始数据集：
原始数据集中包含的每种数据有连续的n个采样点，
和
分别表示励磁***第i类故障采集的第j个有功和无功功率，
和
分别表示励磁***第i类故障采集的第j个励磁电压和电流，i代表第i类故障，j＝1,2,3,…n，i＝1,2,3,4,5。
进一步的，ECMS***站控层采用IEC61850标准双以太网冗余结构，设置有数据库服务器、电气操作员站、电气工程师站、打印机以及负责与其它***通信的转发站，是整个ECMS***的监控、管理中心。
步骤2：采集到的原始数据集中的每种数据分别进行标准化，使其均值为0，方差为1，构成卷积神经网络训练集。
对于2×350MW热电厂励磁***第一类故障的有功功率
标准化如式(1)，其他种类的采样点数据均按照类似方法进行标准化：
式中，
为第一类故障有功功率的平均值和方差；P1是标准化后的向量，包含n个标准化后的数据。
数据标准化过后，搭建深度学习卷积神经网络，卷积神经网络主要分为输入层，卷积层，激励层，池化层和全连接几个部分，具体结构见图2。
网络输入层：主要将标准化处理后的所有故障类的数据集Ti＝(Pi,Qi,Ui,Ii)送入下一层运算。
卷积运算层：卷积层根据式(2)对输入数据进行卷积运算，然后进行相应的特征提取：
式中，kt表示第t个卷积核，b表示的是偏置，yt表示Ti卷积运算后的第t个特征图,s表示卷积核的个数，Mj表示故障类，f(·)为激励函数。
激励层：采用激励函数式(3)，修正线性单元函数(ReLu)，对整个网络引入非线性元素：
式中，x是输入量，
为均值为0，方差为σ的高斯噪声。
池化层：若第l层为池化层，第l-1层为卷积层，则第l层的计算公式如下式(4)：
xl＝f(down(xl-1)+b) (4)
式中，down(·)为采样函数，xl-1为卷积层传输过来的数据，xl为经过池化采样后的数据。
全连接：主要包括全连接层和softmax分类器。全连接层每一个结点都与上一层的所有结点相连，用来把前边提取到的特征综合起来。将全连接层数据送入softmax分类器，得到这组数据在5类故障的评分值，再通过公式(5)计算该数据在每类故障下的概率，概率最大的即为该数据所属故障：
式中，softmax(si)表示第i类故障概率，si表示模型对输入数据在第i类故障上的评分值。
建立好对应结构的深度学习卷积神经网络后，生成均值为0、方差为1的随机数，将卷积神经网络参数初始化。
步骤3：将步骤2标准化处理后的数据集作为训练集输入到深度学习卷积神经网络，通过随机梯度下降法计算损失函数最小值，更新权重Wk。
网络的损失函数计算如下：
式中，m为输入样本数据大小，一组有功，无功，电压和电流为一个样本数据，Wk为第k层的正则化权重，y′表示输入的样本数据实际对应的故障类别，xi表示网络所识别出的故障类别，a表示正则化系数，本发明取0.0001，L为网络中各层权重个数总和。
损失函数的训练过程见图3，图中损失函数图像曲线光滑，且曲线最后收敛在0值左右，表明模型训练过程正常，总体质量良好。
步骤4：对2×350MW热电厂的厂用电监控***(ECMS)中励磁***的运行数据进行多次采样，采样频率为12khz，样本容量为6000。对采样的数据进行归一化处理，得到测试集。
将测试集输入训练好的神经网络，计算每个测试数据对应的故障类别，通过计算网络的准确率α，在此，设置αmin＝90％，当α≥αmin时，网络构建结束；否则，重复步骤3。
网络的准确率α的计算为：统计识别正确的样本个数，再除以总的样本个数，得到准确率。
经过往复多次实验，最终得到基于深度学习网络的励磁***故障监测网络的准确率为92.47％，其最终测试集分类见图4。图中线条上的点表示网络识别正确，线条外的点表示识别错误。
步骤5：将厂用电监控***(ECMS)中励磁***的实时运行数据输入到基于深度学习网络的励磁***故障监测网络中，对励磁***故障进行实时监测。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种基于深度学习网络的励磁***故障监测方法，其特征在于，包括：
获取励磁***不同故障运行过程中的原始采样数据；
对原始采样数据进行标准化处理，构成卷积神经网络训练集和测试集；
构建卷积神经网络；
将卷积神经网络训练集输入到所构建的卷积神经网络进行网络训练；
采用卷积神经网络测试集测试所训练的卷积神经网络，直到达到要求的准确率，得到基于深度学习网络的励磁***故障监测网络；
将励磁***的实时运行数据输入到基于深度学习网络的励磁***故障监测网络中，对励磁***故障进行实时监测。
2.根据权利要求1所述的一种基于深度学习网络的励磁***故障监测方法，其特征在于，所述获取励磁***不同故障运行过程中的原始采样数据，包括：
通过厂用电监控***对励磁***不同故障运行过程中的有功功率，无功功率，励磁电压和励磁电流历史数据进行等间隔采样，得到原始采样数据集：
其中，Si表示第i类故障的原始采样数据集，Pj i和
分别表示励磁***第i类故障采集的第j个有功功率和无功功率，
和
分别表示励磁***第i类故障采集的第j个励磁电压和励磁电流，j＝1，2，3，...n，n表示样本大小。
3.根据权利要求1所述的一种基于深度学习网络的励磁***故障监测方法，其特征在于，所述不同故障包括：励磁***正常运行，功率模块故障，起励模块故障，调节模块故障和灭磁模块故障。
4.根据权利要求1所述的一种基于深度学习网络的励磁***故障监测方法，其特征在于，所述对原始采样数据进行标准化处理，包括：
其中，
为第i类故障的样本数据R的平均值和方差，样本数据R表示一组励磁***的有功功率，无功功率，励磁电压和励磁电流数据；Ri是标准化后的向量，包含n个标准化后的样本数据。
5.根据权利要求1所述的一种基于深度学习网络的励磁***故障监测方法，其特征在于，所述构建卷积神经网络，包括：
输入层用于将标准化处理后的样本数据送入下一层运算；
卷积层用于对输入的样本数据进行卷积运算，并进行特征提取：
其中，kt表示第t个卷积核，b表示的是偏置，yt表示Ti卷积运算后的第t个特征图，s表示卷积核的个数，Mj表示故障类，f(·)为激励函数；
激励层用于引入非线性元素：
其中，x是输入量，
为均值为0，方差为σ的高斯噪声；
池化层输出计算如下：
xl＝f(down(xl-1)+b)
其中，xl-1为卷积层传输过来的数据，xl为经过池化采样后的数据，down(·)为采样函数；全连接用于把卷积层提取的特征综合起来，送入softmax分类器，计算输入数据在不同故障类的评分值以及计算输入数据在每类故障下的概率，输出故障概率最大的故障类：
其中，softmax(si)表示第i类故障概率，si表示模型对输入数据在第i类故障上的评分值。
6.根据权利要求1所述的一种基于深度学习网络的励磁***故障监测方法，其特征在于，所述将卷积神经网络训练集输入到所构建的卷积神经网络进行网络训练，包括：
采用随机梯度下降法计算网络损失函数最小值，更新权重；
所述网络损失函数计算如下：
其中，m为输入样本大小,Wk为第k层的正则化权重，y′表示输入数据实际对应的故障类别，xi表示网络识别出的故障类别，a表示正则化系数，L为网络中各层权重个数总和。
7.根据权利要求1所述的一种基于深度学习网络的励磁***故障监测方法，其特征在于，还包括：建立好卷积神经网络后，生成均值为0、方差为1的随机数，将卷积神经网络参数初始化。
8.根据权利要求1所述的一种基于深度学习网络的励磁***故障监测方法，其特征在于，所述准确率计算为：统计识别正确的样本个数，再除以总的样本个数，得到准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010228034.1A CN111459697A (zh) | 2020-03-27 | 2020-03-27 | 一种基于深度学习网络的励磁***故障监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010228034.1A CN111459697A (zh) | 2020-03-27 | 2020-03-27 | 一种基于深度学习网络的励磁***故障监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111459697A true CN111459697A (zh) | 2020-07-28 |
Family
ID=71685730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010228034.1A Pending CN111459697A (zh) | 2020-03-27 | 2020-03-27 | 一种基于深度学习网络的励磁***故障监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111459697A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115712064A (zh) * | 2022-11-07 | 2023-02-24 | 华能威海发电有限责任公司 | 一种基于lstm-cnn混合神经网络的励磁***故障诊断方法 |
| CN116306095A (zh) * | 2023-01-16 | 2023-06-23 | 中国电建集团北京勘测设计研究院有限公司 | 基于边缘计算的抽水蓄能机组故障诊断***及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
| CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
| US20190379589A1 (en) * | 2018-06-12 | 2019-12-12 | Ciena Corporation | Pattern detection in time-series data |
-
2020
- 2020-03-27 CN CN202010228034.1A patent/CN111459697A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996077A (zh) * | 2014-05-22 | 2014-08-20 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于多维时间序列的电气设备故障预测方法 |
| CN107271925A (zh) * | 2017-06-26 | 2017-10-20 | 湘潭大学 | 基于深度卷积网络的模块化五电平换流器故障定位方法 |
| CN108896296A (zh) * | 2018-04-18 | 2018-11-27 | 北京信息科技大学 | 一种基于卷积神经网络的风电齿轮箱故障诊断方法 |
| US20190379589A1 (en) * | 2018-06-12 | 2019-12-12 | Ciena Corporation | Pattern detection in time-series data |
Non-Patent Citations (2)
| Title |
|---|
| 周于杰: "同步发电机励磁装置分级递阶故障诊断研究", 《中国硕士学位论文全文数据库 信息科技辑》 * |
| 许庆勇: "《基于深度学习理论的纹身图像识别与检测研究》", 31 December 2018 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115712064A (zh) * | 2022-11-07 | 2023-02-24 | 华能威海发电有限责任公司 | 一种基于lstm-cnn混合神经网络的励磁***故障诊断方法 |
| CN115712064B (zh) * | 2022-11-07 | 2024-02-06 | 华能威海发电有限责任公司 | 一种基于lstm-cnn混合神经网络的励磁***故障诊断方法 |
| CN116306095A (zh) * | 2023-01-16 | 2023-06-23 | 中国电建集团北京勘测设计研究院有限公司 | 基于边缘计算的抽水蓄能机组故障诊断***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN111504676B (zh) | 基于多源监控数据融合的设备故障诊断方法、装置及*** | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN111340238A (zh) | 一种工业***的故障诊断方法、装置、设备及存储介质 | |
| CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
| CN113391239B (zh) | 一种基于边缘计算的互感器异常监测方法与*** | |
| CN106021771A (zh) | 一种故障诊断方法及装置 | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及*** | |
| CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及*** | |
| CN111459697A (zh) | 一种基于深度学习网络的励磁***故障监测方法 | |
| CN108287327A (zh) | 基于贝叶斯分类的计量自动化终端故障诊断方法 | |
| CN113676343B (zh) | 电力通信网故障源定位方法及装置 | |
| CN117074839B (zh) | 一种电磁阀故障诊断方法及*** | |
| CN115954879A (zh) | 基于ao算法优化pnn的配电网线变关系精准辨识方法 | |
| CN113010394B (zh) | 一种用于数据中心的机房故障检测方法 | |
| CN111190072A (zh) | 集抄***诊断模型建立方法、故障诊断方法及装置 | |
| CN117347796A (zh) | 一种基于智能网关的开关设备局部放电诊断***及方法 | |
| CN116578922A (zh) | 基于多通道卷积神经网络的阀冷***故障诊断方法及装置 | |
| CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
| CN116338545A (zh) | 电流互感器计量误差状态识别方法、***、设备及介质 | |
| CN111783941A (zh) | 一种基于概率置信度卷积神经网络的机械设备诊断分类方法 | |
| CN116008733A (zh) | 一种基于集成深度神经网络的单相接地故障诊断方法 | |
| CN113885371B (zh) | 一种基于健康状态数据的混合变量过程监测方法 | |
| CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
| CN115713027A (zh) | 一种变压器状态评估方法、装置及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200728 |